Tesi di Laurea - Sono le metriche di RWAs una misura adeguata del rischio di mercato?

ASSET, RWA MERCATO/ TOTAL ASSET, RWA OPERATIVO/ TOTAL

ASSET) e il peso che ha ciascuna metodologia di misurazione dei vari rischi,

in maniera tale da capire che grado di sofisticazione che le diverse banche

hanno utilizzato nella gestione dei rischi.

Sono state incluse misure relative alla RWA density, che fornisce il valore

medio di rischio di credito sul totale delle esposizioni (TOT. RWA

CREDITO/ TOT.EAD CREDITO), e misure relative al valore delle

esposizioni creditizie rispetto al totale attivo (TOT.EAD CREDITO/ASSET

TOTAL(2), Basel III leverage ratio, Basel Liquidity Coverage Ratio - LCR,

Basel Net Stable Funding Ratio - NSFR).

Tutte queste misure sono state analizzate guardando alle differenze tra

banche con diversi modelli di business, diversa dimensione, banche di

diversi paesi. Ad esse, infine, sono state aggiunte misure di Capital Markets

Performance partendo dai dati ricavati per gli specifici Paesi di

appartenenza delle banche considerate (Domestic_credit, Inflation Equity

MKT_Cap, TOT_Reserves e Stocks_Trade).

82

3.3.1 Modello Empirico

Il modello empirico che si vuole predisporre nasce dall’esigenza di tradurre

in termini di analisi econometriche concretamente applicabili ai dati raccolti

le cinque Ipotesi di ricerca precedentemente formulate.

Pertanto, in questa sezione, viene fatta una disanima delle singole HP

riportando quale analisi empirica è stato scelto di adottare per valutarla.

Research Hypothesis 1 (HP1): nella formulazione del TCR il rischio di

• mercato è sottostimato rispetto al rischio alle altre componenti che

generano il rischio complessivo (dato dalla somma del rischio di

credito, rischio di mercato e rischio operativo).

Per valutare se il rischio di mercato è sottostimato nel TCR, sono state

effettuate valutazioni relative al peso che la componente del rischio di

mercato ha rispetto alle altre componenti all’interno dell’espressione del

rischio complessivo nella formulazione del TCR: data l’estrema variabilità

dei soggetti riportata nel dataset e la presenza di molti missing values per

le variabili considerate, il dataset di partenza è stato elaborato e ripulito

accorpando le singole banche nei diversi GdP (Gruppi di Paesi). In tal modo

la variabilità dei soggetti è stata notevolmente ridotta passando dagli

iniziali 53 istituti di credito analizzati, ai 10 GdP nei quali sono stati

accorpati

Research Hypothesis 2 (HP2): il rischio di mercato è poco sensibile alla

• volatilità e l'incertezza presenti nel mercato stesso e la varianza del

RWA su Securities risulta eccessivamente elevata portando a

un'allocazione inefficace del capitale da parte dell'istituzione

finanziaria. 83

Per misurare la sensibilità del rischio di mercato alla volatilità e l'incertezza

presenti nel mercato stesso è stata calcolata la varianza del RWA sulle

Securities, confrontandola con la varianza degli RWA da rischio di mercato.

Questo confronto ha permesso di capire se i rischi reali sono adeguatamente

riflessi nei calcoli del RWA e nelle decisioni di investimento, condizione

necessaria per ottenere un'accurata misurazione e gestione del rischio di

mercato, in quanto valutazioni relative a quanto è contenuta la varianza del

RWA sui titoli rappresenta una maniera diretta per capire se sono possibili

eventuali distorsioni nell'allocazione del capitale.

Research Question 3: la dispersione in termini di RWA su Securities

• risulta essere più elevata quando la metodologia utilizzata per il

calcolo del rischio di mercato è di tipo Advanced (metodo Avanzato)

piuttosto che di tipo Standard (metodo Standardizzato).

Per valutare quanto la dispersione in termini di RWA su Securities è

sensibile alla metodologia impiegata per calcolare il rischio di mercato nelle

banche sono state utilizzate tecniche di statistica inferenziale. In particolare

è stata ricavata per ogni GdP la struttura della strategia di calcolo utilizzata

mediamente dalle banche ad esso appartenenti per misurare il rischio di

mercato calcolando la percentuale di rischio di mercato ricavata con il

metodo Advanced (Avanzato) rispetto alla misura totale del rischio.

Figura 3.1 – Modello empirico per Research Hypothesis 3

È stata quindi condotta un’analisi di regressione lineare semplice con dati

trattati in modo cross-sectional secondo il modello empirico riportato in

84

figura 3.1 per determinare se ci fosse una relazione di dipendenza della

varianza degli RWA su Securities dalla percentuale di rischio di mercato

calcolato con metodologia advanced ricavata come prima descritto.

Research Hypothesis 4 (HP4): nella relazione tra i requisiti e le

• performance dei mercati finanziari, comunemente indicati come

Capital Markets Performance, i requisiti normativi risultano essere

poco sensibili alle performance dei mercati finanziari e ciò comporta

che non si adeguino in modo appropriato alle eventuali variazioni

del mercato.

Per valutare la relazione tra i requisiti e le performance dei mercati finanziari,

sono state raccolte alcune misure comunemente utilizzate per valutare le

Capital Markets Performance dei Paesi a cui appartenenti le specifiche

banche comprese all’interno del panel come il valore del credito domestico

interno (Domestic_credit), la percentuale di inflazione (Inflation), l’ammontare

totale dell’Equity (Equity), una stima della Market Capitalization (MKT_Cap),

l’ammontare delle risorse totali interne (TOT_Reserves) e il valore dello Stock

trade (Stocks_Trade) anno per anno dal 2004 al 2022. Per valutare se i requisiti

normativi sono sensibili alle performance dei mercati finanziari è stata

condotta una regressione panel in cui la variabile dipendente è rappresentata

dai requisiti stessi e le variabili indipendenti sono le variabili di Capital

Markets Performance sopra introdotte. Le analisi sono state condotte

utilizzando sia un modello a effetti fissi, sia un modello a effetti random e

infine un modello con effetti fissi temporali. Si è proceduto, poi ad un

confronto tra i diversi modelli attraverso dei test diagnostici appositi al fine

di valutare il miglior modello applicabile.

In figura 3.2 è riportata una schematizzazione del modello empirico

utilizzato per le regressioni. 85

Diversamente dalle elaborazioni delle altre ipotesi, in questo caso la

variabile utilizzata per la identificazione dei soggetti non è stato il GdP ma

il codice identificativo delle singole banche.

Figura 3.2 – Modello empirico per Research Hypothesis 4

Research Hypothesis 5 (HP5): la dispersione dei requisiti è influenzata

• dalla complexity della metodologia utilizzata per il calcolo del

rischio in generale; in particolare, l'uso di metodologie più

sofisticate per il calcolo del rischio complessivo comporta un

aumento della varianza dei requisiti sulle securities. Pertanto,

l'adozione di metodologie più avanzate aumenta anche il rischio di

manipolazione da parte delle banche.

Anche per valutare quanto la dispersione in termini di requisiti RWA su

Securities è sensibile alla complessità della metodologia impiegata per

calcolare il rischio di mercato nelle banche sono state utilizzate tecniche di

statistica inferenziale ripetendo lo studio utilizzato per verificare l’ipotesi

HP3 ma utilizzando come variabile dipendente non la percentuale del solo

86

rischio di mercato calcolata con tecniche di tipo advanced, ma la

percentuale dell’intero rischio calcolata con tecniche più sofisticate.

Pertanto è stata considerata la percentuale di rischio ottenuta calcolando il

rapporto tra rischio calcolato con tecniche più sofisticate (ottenuto

sommando il rischio di credito con metodologia IRB Advanced (AIRB), al

rischio di mercato calcolato con metodologia Advanced e al rischio

operativo calcolato con metodo Advanced) e il rischio complessivo espresso

in termini direquisiti. Anche in questo caso è stata utilizzata la struttura

della strategia di calcolo ricavata considerando il valore delle banche

mediato nel GDP specifico di appartenenza per misurare sia il rischio

complessivo che la dispersione.

È stata quindi condotta un’analisi di regressione lineare semplice con dati

trattati in modo cross-sectional secondo il modello empirico riportato in

figura 3.3 per determinare se ci fosse una relazione di dipendenza della

varianza degli RWA su Securities dalla percentuale di rischio di mercato

calcolato con metodologia advanced ricavata come prima descritto.

Figura 3.3 – Modello empirico per Research Hypothesis 5

3.4 Analisi Empirica

Dopo una sezione nella quale sono presentate alcune statistiche descrittive

delle principali variabili presenti nel dataset e le aggregazioni operate per

87

rendere più leggibili i risultati sia dal punto di vista analitico che grafico,

vengono presentati, nei sottoparagrafi a seguire, i risultati delle analisi

proposte nella strategia empirica suddivisi per ipotesi. Le analisi sono state

condotte utilizzando il software statistico R /RStudio.

3.4.1 Analisi statistica descrittiva dei dati panel

Sono stati analizzati il panel facendo delle statistiche descrittive che tengono

conto degli Anni e dell’identificativo delle 53 banche presenti nel dataset

per fare raggruppamento ma i risultati non sono stati facilmente

interpretabili, come dimostrano i PanelPlot delle variabili di interesse di

seguito riportati.

Figura 3.4 (a) e (b) – Esempi di grafici ottenuti dal panel raggruppato per Banche

Il dataset, pertanto, è stato ristrutturato utilizzando come variabile di

raggruppamento non più le banche ma i dieci GdP a cui esse risultano

appartenere. In tal modo sono stati ottenuti dei grafici la cui leggibilità

risulta essere migliorata vistosamente

88

Figura 3.5 (a)– Andamento nel tempo del RWA di mercto su total asset raggruppato del GdP

Figura 3.5(b) – Andamento nel tempo del RWA di mercto su total asset raggruppato del GdP

Dai Plotmeans, che graficano le variabili mediate nell’andamento temporale

e riportano anche le finestre di dispersione, per molti parametri si nota che le

dispersioni stesse si comportano diversamente prima della crisi del 2008 e

dopo il Covid del 2020 rispetto a quanto avvenga nel periodo tra le due crisi

89

Figura 3.6 (a)÷(f) – Plotmeans degli RWA su Total Asset e Credit EAD calcolati col metodo STD

90

Figura 3.7 (a)÷(l) – Plotmeans degli RWA su Total Asset e Credit EAD calcolati col metodo STD

91

Figura 3.8 (a)÷(d) – Boxplots degli RWA calcolati col metodo ADV su RWA Totali Asset per,

nell’ordine, il rischio di mercato, il rischio operativo, il rischio di credito e il rischio totale

Dai boxplot in fig 3.8 si evince che i GdP considerati si comportano in

maniera mo